Вы находитесь на странице: 1из 29

1

Министерство образования и науки Украины

Донбасская государственная машиностроительная академия

ТЕОРИЯ ПРИНЯТИЯ РЕШЕНИЙ

МЕТОДИЧЕСКИЕ УКАЗАНИЯ
к выполнению лабораторных и самостоятельных работ

(для студентов специальности «Системный анализ»


дневной формы обучения)

Утверждено
на заседании кафедры ИСПР
Протокол № 21 от 31.08.2017

Краматорск 2017
2

УДК 519

Методические указания к выполнению лабораторных и самостоятельных работ


по курсу «Теория принятия решений» (модуль 1) для студентов специальности
«Системный анализ» дневной формы обучения / Сост.: Шевченко Н.Ю. –
Краматорск: ДГМА, 2017. – 30 с.

В методических указаниях приводятся задания, руководство к выполнению и


краткие теоретические сведения по курсу «Теория принятия решений».

Составитель Н.Ю. Шевченко, к.е.н., доцент каф. ИСПР

Отв. за выпуск к.т.н, доц. Гитис В.Б., и.о.зав.кафедрой


3

Содержание

Лабораторная работа № 1. Экспертные процедуры принятия решений.


Методы обработки экспертной информации: одномерное шкалирование 4
Лабораторная работа № 2. Принятие решений на основе теории
полезности 8
Лабораторная работа № 3. Принятие оптимального решения на основе
теории игры 13
Лабораторная работа № 4. Принятие многоцелевых решений 20
Лабораторная работа № 5. Принятие решений на основе метода
динамического программирования 25
Самостоятельная работа 29
Список рекомендуемой литературы 30
4

ЛАБОРАТОРНАЯ РАБОТА № 1
Экспертные процедуры принятия решений. Методы обработки экспертной
информации: одномерное шкалирование
Цель: овладеть использования математических методов на основе
экспертных процедур при принятии решений в различных областях.
Задание. Имеется матрица результатов оценивания m параметров
информационной системы d экспертами. Оценить относительную важность
параметров информационной системы, используя одномерное шкалирование как
метод обработки экспертной информации.
Студент самостоятельно ранжирует объекты, выступая в роли экспертов
(набор параметров выбирается студентом). Объекты ранжируются по степени
важности.
Таблица 1 – Данные результатов оценки
№ варианта m d
1 6 5
2 7 4
3 8 5
4 5 6
5 6 5
6 6 4
7 5 6
8 5 5
9 5 5
10 5 5
11 7 6
12 7 6
13 8 4
14 8 4
15 9 4
16 9 4
17 5 6
18 7 6
19 6 5
20 7 4
21 8 5
22 9 4
23 5 4
24 5 7
25 6 6
5

Алгоритм метода одномерного шкалирования


N

Вычисляют матрицу P   A / N , где A j – ранжировка, данная j –м


j
1
j 1

экспертом. Элемент p ij матрицы P интерпретируют как вероятность


предпочтения i –го объекта j –му.
2 Находят Z ij по формуле
Z ij
1

2
G ( Z ij )  p ij  e t /2
dt (1)
 2

с использование таблиц нормального распределения, исходя из известных p ij .

Величина Z ij измеряется в единицах стандартного отклонения.


n

3 Образуют матрицу Z  ( Z ij ) . Подсчитывают сумму оценок Z i   Z ij и


j 1

среднее значение Zi  Zi / n . Величину Zi принимают за искомую оценку объекта


Ai (i  1, n) .

4 Определяют величины Pi  G ( Z i ) по формуле (1), которые нормируют


по формуле:
n
Pi *  Pi /  Pj ;
j 1

Pi * называют показателями относительной важности объекта.


5 Осуществляют проверку на непротиворечивость. Для этого по
формуле (1) находят p ij  G ( Z i  Z j ) и вычисляют разности  ij ( k – количество)
между полученными значениями p ij и исходными p ij . Определяют среднее
отклонение:
n
 ij
i , j 1
i j
/ k
;
если оно мало, то это свидетельствует о непротиворечивости полученных
экспертных ранжировок.

Пример выполнения задания


Дана матрица результатов оценивания m параметров информационной
системы d экспертами – Ad m . Оценить относительную важность параметров
6

информационной системы, используя одномерное шкалирование как метод


обработки экспертной информации.
Матрица результатов опроса имеет вид:
1 2 3 4
2 3 1 4
Ad m  .
1 4 2 3
 
4 2 1 3

Решение. Вычисляется матрица A , где A j – ранжировка, данная j -м


экспертом. Матрица квадратная, ее размерность соответствует количеству
параметров.
Таблица – Матрица А
  1 2 3 4
1 0 3 2 3
2 1 0 1 3
3 2 3 0 4
4 1 1 0 0

Строится матрица вероятностей предпочтения каждого параметра


информационной системы экспертами: pij – вероятность предпочтения i -го
параметра j -му.
Таблица – Матрица Р
  1 2 3 4
1 0 0,75 0,5 0,75
2 0,25 0 0,25 0,75
3 0,5 0,75 0 1
4 0,25 0,25 0 0

Далее по формуле 1 строится матрица Z , используя таблицы функции


обратной функции нормального распределения. Подсчитывается сумма оценок
n
Z i   Z ij и среднее значение Zi  Zi / n .
j 1

Таблица – Матрица Z
  1 2 3 4 Zi Zi
1 0 0,67449 0 0,67449 1,34898 0,337245
2 -0,67449 0 -0,67449 0,67449 -0,67449 -0,16862
3 0 0,67449 0 3,174 3,84849 0,962123
7

4 -0,67449 -0,67449 -3,174 0 -4,52298 -1,13075

Определяются величины Pi  G ( Z i ) по формуле (1), которые нормируют по


n

формуле Pi *  Pi /  Pj :
j 1

Таблица – Относительная важность параметров

Parametr Pi Pi *
1 0,632 0,311945
2 0,433 0,213722
3 0,832 0,410661
4 0,129 0,063672
Summa 2,026 1

Далее осуществляется проверка на непротиворечивость оценок экспертов.


Для этого по формуле 1 находятся значения p ij  G ( Z i  Z j ) и вычисляют разности
 ij ( k – количество разностей) между полученными значениями p ij и исходными
p ij :
Таблица – Разности и отклонения
Zi Z j P ij Pij  ij  ij

Z1-Z2 0,505868 0,694 0,75 -0,056 0,056


Z1-Z3 -0,62488 0,266 0,5 -0,234 0,234
Z1-Z4 1,46799 0,929 0,75 0,179 0,179
Z2-Z3 -1,13075 0,129 0,25 -0,121 0,121
Z2-Z4 0,962123 0,832 0,75 0,082 0,082
Z3-Z4 2,092868 0,982 1 -0,018 0,018


Определяют среднее отклонение по формуле i , j 1
i j
 ij / k  0.115
. Так как
11,5%<20%, оценки, данные экспертами могут быть использованы для принятия
решения о важности параметров информационной системы: наиболее важным
является третий параметр, наименее – четвертый.
ЛАБОРАТОРНАЯ РАБОТА № 2

Принятие решений на основе теории полезности

Цель: научиться осуществлять выбор альтернативы на основе теории


полезности и применять полученные знания при создании программных
продуктов.
8

Задание 2.1. Инженер выбирает оптимальный технологический процесс


выпуска новой продукции на крупном предприятии. Размер условного выигрыша,
который предприятие может получить, зависит от благоприятного или
неблагоприятного состояния среды (табл.1).

Таблица 1 – Исходные данные


Номер альтернативы Действия инженера Условный выигрыш, грн.
благоприятный исход неблагоприятный исход
1 технологический процесс 1 20+5*К -(18+2*К)
2 технологический процесс 2 10+20*К -(10+2*К)
3 технологический процесс 3 2*К 2*К

Перед принятием решения руководство должно определить, заказывать ли


дополнительное исследование среды или нет (стоимость услуги 2*К, где К –
номер варианта).
Возможности предприятия в виде условных вероятностей благоприятности
и неблагоприятности среды представлены в табл. 3.
Таблица 3 – Вероятности наступления прогнозных значений

Фактически
Прогноз
Благоприятный Неблагоприятный
Благоприятный 0,85 –
Неблагоприятный – 0,65

Предположим, что фирма, которой заказали прогноз состояния среды,


утверждает:
— ситуация будет благоприятной с вероятностью 0,45;
— ситуация будет неблагоприятной с вероятностью 0,55.
Задание. Построить программный модуль для выбора оптимальной
альтернативы с помощью дерева решений, предусмотреть как максимизацию, так
и минимизацию условного выигрыша. Рассчитать ценность точной информации
без обращения за дополнительной информацией. Предусмотреть возможность
введения исходных данных пользователем и вывод сообщения о выборе
оптимальной альтернативы.

Задание 2.2. Дана лотерея L( s, p( s ), S ) . Функция полезности имеет вид:


U (x ) . Определить премию за риск участия в лотерее и сделать соответствующие
выводы. Исходные данные представлены в таблице 2.
Таблица 2 – Характеристики лотереи
№ s p (s ) S U (x )
№ s p (s ) S U (x )
варианта варианта
1 29 0,5 60 ln(5  x ) 16 16 0,5 72 4  6x
2 35 0,45 94 5  2x 17 8 0,65 100 ln(2 x )
3 8 0,3 74 ln(10  2 x ) 18 1 0,4 79 x2  5
4 0 0,6 55 x2 19 25 0,3 67 ln(2  x )
9

5 14 0,7 64 4  5e 2 x 20 13 0,2 57 6 x  10
6 23 0,65 55 0.2 x 2 21 12 0,7 69 4 x

7 9 0,55 74 6  3x 22 15 0,8 68 2e 2 x  2
8 42 0,35 88 x 23 10 0,85 80 4x  2
9 2 0,4 4 4  5e 2 x 24 40 0,75 85 e 2 x  2
10 4 0,3 5 2  4e 2 x 25 20 0,65 94 log 2 x
11 3 0,7 68 lg( x  10) 26 45 0,45 95 4x 2
12 13 0,6 91 2x 2 27 7 0,55 58 x4
13 18 0,5 87 lg( x  2) 28 38 0,35 71 log 2 ( x  4)
14 10 0,45 67 3  2x 2 29 37 0,5 81 3e 2 x  2
15 43 0,75 75 e 2 x 30 3 0,5 72 2  6x

Краткие теоретические сведения


Анализ и решение задач с помощью дерева решений
Процесс принятия решений с помощью дерева решений в общем случае
предполагает выполнение следующих пяти этапов.
Этап 1. Формулирование задачи. Прежде всего, необходимо отбросить не
относящиеся к проблеме факторы, а среди множества оставшихся выделить
существенные и несущественные. Это позволит привести описание задачи
принятия решения к анализируемой форме. Должны быть выполнены следующие
основные процедуры:
- определение возможностей сбора информации для экспериментирования и
реальных действий;
- составление перечня событий, которые с определенной вероятностью
могут произойти;
- установление временного порядка расположения событий, в исходах
которых содержится полезная и доступная информация, и тех последовательных
действий, которые можно предпринять.
Этап 2. Построение дерева решений.
Этап 3. Оценка вероятностей состояний среды, т.е. сопоставление шансов
возникновения каждого конкретного события. Следует отметить, что указанные
вероятности определяются либо на основании имеющейся статистики, либо
экспертным путем.
Этап 4. Установление выигрышей (или проигрышей, как выигрышей со
знаком минус) для каждой возможной комбинации альтернатив (действий) и
состояний среды.
Этап 5. Решение задачи.
Прежде чем продемонстрировать процедуру применения дерева решений,
введем ряд определений. В зависимости от отношения к риску решение задачи
может выполняться с позиций так называемых «объективистов» и
«субъективистов». Поясним эти понятия на следующем примере. Пусть
предлагается лотерея: за 10 долл. (стоимость лотерейного билета) игрок с равной
10

вероятностью р=0,5 может ничего не выиграть или выиграть 100 долл. Один
индивид пожалеет и 10 долл. за право участия в такой лотерее, т.е. просто не
купит лотерейный билет, другой готов заплатить за лотерейный билет 50 долл., а
третий заплатит даже 60 долл. за возможность получить 100 долл. (например,
когда ситуация складывается так, что только имея 100 долл., игрок может достичь
своей цели, поэтому возможная потеря последних денежных средств, а у него их
ровно 60 долл., не меняет для него ситуации).
Безусловным денежным эквивалентом (БДЭ) игры называется
максимальная сумма денег, которую ЛПР готов заплатить за участие в игре
(лотерее), или, что то же, та минимальная сумма денег, за которую он готов
отказаться от игры. Каждый индивид имеет свой БДЭ.
Индивида, для которого БДЭ совпадает с ожидаемой денежной оценкой
(ОДО) игры, т.е. со средним выигрышем в игре (лотерее), условно называют
объективистом, индивида, для которого БДЭ  ОДО, – субъективистом.
Ожидаемая денежная оценка рассчитывается как сумма произведений размеров
выигрышей.
Основными обозначениями при построении дерева решений являются:

- решение принимает игрок;

* - - решение «принимает» случай;

// - отвергнутое решение.

Основные определения концепции полезности

Полезность W – определенное число, приписываемое ЛПР каждому


возможному результату (исходу). Полезность выражает степень удовлетворения,
которое получает субъект в результате потребления товара или услуги.
Функция полезности (функция Неймана-Моргенштерна) U/W –
показывает полезность, которую приписывает ЛПР каждому возможному
результату в зависимости от его отношения к риску.
Ожидаемая полезность события – сумма произведений вероятностей
возникновения данного события на значение полезности последствий этих
n
событий W  p W .
i i
i 1
Выбор ЛПР в условиях риска формализуется при помощи понятия потери,
при этом ЛПР проявляет свои индивидуальные вкусы и склонность к риску.
Решение ЛПР может быть найдено на основе следующего алгоритма:
1 Присваиваются произвольные значения полезности выигрышу для
лучшего и худшего последствия, причем худшему из последствий ставится в
соответствие меньшее значение полезности.
2 Игроку предоставляется выбор:
11

- получить определенную гарантированную сумму W, которая находится в


промежутке между худшим (s) и лучшим (S) значениями выигрышей s  W  S ;
- принять участие в игре, т.е. получить с вероятностью р наибольшую
денежную сумму S и с вероятностью (1-р) получить наименьшую денежную
сумму s, при этом вероятность следует изменять (уменьшать или повышать) до
тех пор пока ЛПР не станет безразличным к отношению выбора между
гарантированной суммой и игрой.
Функция полезности имеет вид: W  p U(S)  (1- p )U(s)
0 0
, где р0 – заданная вероятность.
Безусловный денежный эквивалент (БДЭ) – максимальная сумма денег,
которую ЛПР готов заплатить за участие в игре (лотерее) или минимальная сумма
денег, за которую он готов отказаться от игры.
Ожидаемая денежная оценка (ОДО) – средний выигрыш в игре.
Вывод: если БДЭ = ОДО  ЛПР – объективист. Если БДЭ ≠ ОДО  ЛПР
– субъективист (если БДЭ > ОДО  ЛПР – склонен к риску; если БДЭ < ОДО 
ЛПР – не склонен к риску).
Основные функции полезности используются для изучения, анализа и
оценки поведения субъектов риска:
1 U(x)  a  bx; (b  0) - функция, отражающая нейтральность к риску.
2 U(x)  log a ( x  b); (x  -b, a  1) - функция, выражающая убывающую
несклонность к риску.
3 U(x)  -e -cx ; (c  0) - постоянная несклонность к риску.
4 U(x)  -e cx ; (c  0) - постоянная склонность к риску.
b
5 U(x)  a  bx - cx 2 ; (c  0; x  ) - возрастающая несклонность к риску.
2c
6 U(x)  -x 2 ; (x  0) - возрастающая склонность к риску.
b
7 U(x)  a  bx  cx 2 ; (c  0; x  ) - убывающая склонность к риску.
2c
8 Функция с интервальной нейтральностью к риску.
Одним из основных видов функции полезности, характеризующей
финансовое поведение людей, является функция U(x)  lnx , т.е. полезность
бесконечно малого выигрыша прямо пропорциональна этому выигрышу и
обратно пропорциональна денежной сумме, которой игрок обладает. Из этого
следует, что если полезность описывается функцией U(x)  lnx , то потери более
ощутимы, чем выигрыш.
Детерминированный эквивалент лотереи L – это гарантированная сума
  
x , получение которой эквивалентно участию в лотерее, т.е. x  L . Итак x
определяется из уравнения
 
U ( x )  M [U ( x )], или x  u 1MU ( x ) . (1)
Премия за риск – это сумма, которой субъект готов пожертвовать из
среднего выигрыша за то, чтобы избежать риска, связанного с лотерей. Премию за
риск определяют таким образом:
 
 ( x)  M [ x( )]  x  x  x . (2)
12

Страховая сумма – величина детерминированного эквивалента с


противоположным знаком.
13

ЛАБОРАТОРНАЯ РАБОТА № 3
Принятие оптимального решения на основе теории игры

Цель: научиться осуществлять выбор альтернативы на основе теории игры


и применять полученные знания при создании программных продуктов.
Постановка задачи. Предприятие выпускает определенную продукцию
партиями фиксированного размера. Из-за случайных сбоев в производственном
процессе возможный выпуск партий с недопустимо высоким процентом
бракованной продукции. Определяют состояния внешней среды:  1 – пригодная
партия изделий,  2 – бракованная партия изделий.
Пусть бракованные изделия в пригодной партии составляют %б(  1 ), в
непригодной – %б(  2 ). Проведенные на предприятии расчеты показывают, что
вероятность производства бракованной партии составляет p( 2 ) .
Предприятие отправляет партии товаров m потребителям, для которых
контрактом обусловленный возможный предельный процент бракованных
деталей – %б-потреб-l соответственно. За один процент превышения установленных
границ предполагается штраф размером P тыс.грн. С другой стороны,
производство партии товаров более высокого качества увеличивает затраты
предприятия на V тыс.грн. за каждый процент.
В результате проверки двух изделий из всей партии может быть
установлено, что: 1) оба изделия пригодны; 2) одно из изделий пригодно; 3) оба
изделия бракованы. Пусть  1 ,  2 ,  3 – эти три возможные события соответственно.
Задание. Построить программный модуль, позволяющий:
1) принять оптимальное решение в условиях отсутствия риска
(гарантированный результат);
2) принять оптимальное решение, используя априорные вероятности
событий;
3) принять оптимальное решение, используя апостериорные вероятности
событий.
Исходные данные представлены в таблице 1. Процент брака выбирается
студентом случайным образом в заданных границах, используя генератор
случайных чисел.
Предусмотреть возможность ввода задаваемого пользователем количества
альтернатив (покупателей), величин процента бракованной продукции и
вероятностей пребывания внешней среды в одном из своих состояний.
Программа должна выдавать сообщение о выборе оптимальной
альтернативы в каждом конкретном случае (при использовании различной
информации и при указанных результатах контрольной проверки деталей), а
также критерий, с помощью которого принималось решение.
14

Таблица 1 – Исходные данные


Процент брака
Количество
№ относительно требований %б(  1 %б(  2 p ( 2 ) P V покупателей
варианта покупателя %б-потреб-l ) ) l  1..m
min max
1 5 8 4 13 0,2 100 80 2
2 6 10 5 15 0,3 120 100 3
3 4 10 3 16 0,15 130 110 4
4 5 9 4 12 0,25 115 95 5
5 6 9 5 13 0,3 125 105 2
6 4 10 3 14 0,2 145 125 5
7 5 11 4 15 0,2 140 120 4
8 6 11 5 15 0,15 135 115 3
9 4 9 3 14 0,25 130 110 6
10 5 10 4 12 0,2 125 105 6
11 5 9 4 13 0,15 120 95 5
12 6 10 5 15 0,3 115 100 4
13 6 11 5 16 0,2 110 80 5
14 4 8 3 15 0,15 110 85 4
15 4 9 3 16 0,1 105 75 3
16 5 9 4 14 025 100 80 2
17 6 10 5 14 0,25 105 85 2
18 4 7 3 13 0,3 115 90 4
19 4 9 3 16 0,2 120 100 3
20 6 10 5 15 0,2 125 95 4
21 5 10 4 14 0,15 125 100 5
22 6 11 5 16 0,15 130 100 2
23 6 9 5 15 0,3 115 80 3
24 4 10 3 16 0,25 105 70 3
25 5 11 4 16 0,3 110 85 5

Краткие теоретические сведения


Статистическая игра – это основная модель теории принятия решений в
условиях частичной неопределенности.
Статистическая игра – игра с природой, модель ситуации принятия
решений в условиях неопределенности и риска.
Природа – совокупность внешних обстоятельств, в которых приходится
принимать решения или совокупность неопределенных факторов влияющих на
эффективность принимаемых решений.
Человек – лицо, принимающее решение (ЛПР), или статистик.
Задача ЛПР – принятие наилучшего управленческого решения в каждой
конкретной ситуации с учетом имеющейся информации.
Под стратегией природы понимают полную совокупность внешних
условий, в которых приходится принимать решение. Данную совокупность
назовем состоянием природы  (П). В общем случае существует некоторое
множество возможных состояний природы:  ={  1,  2,…,  j,…,  n}, которое
называется пространством состояния природы, а элементы  j – чистыми
стратегиями природы.
15

Обычно известен только перечень чистых стратегий природы (нет полного


знания о состоянии природы), и из прошлого опыта известно, как часто природа
применяет ту или иную из своих чистых стратегий, т.е. известно априорное
распределение вероятностей qj(  j) на пространстве состояний природы  .
Отсюда смешанная стратегия природы – априорное распределение вероятностей
q(  ).
Критерии принятия решений (для F  )
1 Критерий Байеса. Используется при известном распределении
вероятностей различных состояний природы. Оптимальной считается стратегия
Аi, при которой максимальный средний выигрыш статистика a , т.е. opt  max
i
ai , i

где ai  a
j 1
ij qj (i  1, m ), где qj – вероятность j-го состояния природы.
2 Критерий Лапласа (принцип недостаточного основания). Используется
в случае когда все состояния природы полагаются равновероятными, т.е.
1
q1  q 2  ...  q j  ...  q n  . Оптимальной считается стратегия, обеспечивающая
n
n
1
максимум среднего выигрыша opt  max
i
ai , где a i   aij ( i  1, m ).
n j 1
Применяя этот критерий, отступают от условий полной неопределенности
(отсутствия информации о состоянии природы), считая, что возможным
состояниям природы можно приписать определенную вероятность их появления.
В этом случае, определив математическое ожидание выигрыша для каждого
решения, выбирают то, которое обеспечивает наибольшее значение выигрыша.
Принцип Байеса–Лапласа можно применять, если состояния природы,
которые изучаются, и решения, которые принимаются, многократно повторяются.
Тогда, например, статистическими методами, базируясь на частотах появления
отдельных состояний природы в прошлом, можно оценивать вероятности их
появления в будущем.
Перечисленные критерии не исчерпывают всего многообразия критериев
выбора решения в условиях неопределенности, в частности, критериев выбора
наилучших смешанных стратегий.
Оптимальное поведение по большей части зависит от принятого критерия
оптимизации. Поэтому выбор критерия является вопросом ответственности в
исследовании операций. Каждый выбор критерия предопределяет одобрение
решения, которое может отличаться от решения, принятого в соответствии с
другим критерием. Однако ситуация никогда не бывает настолько
неопределенной, чтобы нельзя было получить хотя бы частичную информацию о
вероятностях распределения состояний природы в ситуации, которая
анализируется. В этом случае, оценив распределение вероятностей состояний
природы, применяют критерий Байеса–Лапласа или проводят эксперимент,
который дает возможность уточнить поведение природы.
3 Максиминный критерий Вальда. Оптимальной считается стратегия,
которая в наихудших условиях гарантирует максимальный выигрыш
opt  max min aij .
i j
16

4 Критерий Севиджа (критерий минимального риска). Оптимальной


считается стратегия минимального риска в наихудших условиях opt  min i
max rij .
j

Суть этого критерия заключается в выборе такого решения, чтобы не


допустить излишне больших потерь, к которым может привести принятие
ошибочного решения. Для этого строится «матрица рисков», элементы которой
показывают, какой убыток понесем, если для каждого состояния природы не
выберем наилучшего решения.
Риском игрока при выборе некоторого решения (стратегии) А называется
разница между максимальным выигрышем, который можно получить в этих
условиях, и выигрышем, который получит игрок в тех же условиях, применяя
стратегию Аi. Обозначим эту величину через rij. Если бы игрок знал заранее
будущее состояние природы Пj, то выбрал бы стратегию, которая отвечала
максимальному элементу в указанном столбце: mахаij. Тогда, по определению,
риск равняется Rij = maxaij–aij.
Матрица рисков строится так:
1) определяется для каждого состояния природы (столбика) наибольший
элемент;
2) элемент матрицы рисков получается вычитанием соответствующего
элемента платежной матрицы из максимального элемента этого столбика.
Критерий Севиджа рекомендует в условиях неопределенности выбирать
решение, которое обеспечивает минимальное значение максимального риска.
Критерии Вальда и Севиджа ориентируют статистика на самые
неблагоприятные состояния природы, т.е. выражают пессимистическую оценку
ситуации.
5 Критерий Гурвица (критерий пессимизма–оптимизма). Оптимальной
считается стратегия, для которой выполняется следующее соотношение:
opt  max( min aij  (1   ) max aij ) , где  – уровень риска, 0    1 .
i j j

Если   0 , то имеем критерий крайнего оптимизма opt  max


i
(max aij ) .
j

Если   1 , то имеем критерий умеренного пессимизма opt  max i


( min aij ) .
j

В общем случае  выбирают исходя из опыта или субъективных


соображений   0,6...0,8 .
Пример
Предприятие выпускает определенную продукцию партиями
фиксированного размера. Из-за случайных сбоев в производственном процессе
возможен выпуск партий с недопустимо высоким процентом бракованной
продукции. Определяют состояния экономической среды:  1 – пригодная партия
изделий  2 – бракованная партия изделий. Пусть бракованные изделия в
пригодной партии составляют 4%(  1 ), в непригодной – 15%(  2 ). Проведенные на
предприятии расчеты показывают, что вероятность производства бракованной
партии равняется p( 2 ) =0,2.
Предприятие отправляет партии товаров m =2 потребителям, для которых
контрактом обусловленный возможен предельный процент бракованных деталей:
5% и 8% соответственно. За один процент превышения установленных пределов
17

предусматривается штраф размером P =100 тыс. грн. С другой стороны,


производство партии товаров высшего качества увеличивает расходы
предприятия на V =80 тыс. грн. за каждый процент.
В результате проверки двух изделий из всей партии может быть
установлено, что: 1) оба изделия пригодны; 2) одно из изделий бракованное; 3)
оба изделия бракованные. Пусть  1 ,  2 ,  3 – три возможные события
соответственно. Принять оптимальное решение: 1) в условиях гарантированного
результата; 2) используя априорные вероятности; 3) используя апостериорные
вероятности событий.
Решение. Функционал оценивания целесообразно представить в виде
матрицы затрат F  f ( xk , j ) . Решение допускает, что потребитель А примет
 

партию продукции (5% брака без штрафа). Если партия имеет 4% брака ( 1 ), то
производитель понесет убытки (5  4)  80  80 тыс. грн. Но, если партия товаров
имеет 15% брака (  2 ), то штраф составит (15  5) 100  1000 тыс. грн. Аналогично
рассчитываются элементы матрицы затрат относительно второго покупателя – Б.
Матрица затрат примет вид:
 1 2 
 
F  f ( xk , j )   x1
 
80 1000  .
x 320 700 
 2
Если производитель принимает решение в условиях получения
гарантированного результата (критерий Вальда), то необходимо продукцию
отправить второму покупателю:
~
 
f ko  min max f k  min 1000;700  700 тыс.грн.
xk  X  j  xk  X

Если производитель принимает решение, используя априорную


информацию относительно p( 2 ) =0,2, то, используя критерий Байеса, продукцию
необходимо отправить первому покупателю:
n
~ ~
f ko  min  f kj  p j  min 80  0.8  1000  0.2; 320  0.8  700  0.2  min 264; 396  264 тыс.грн.
xk  X xk  X xk  X
j 1

Так как решение производителя должно зависеть от результата


эксперимента, то необходимо использовать апостериорные вероятности.
Учитывая, что детали могут выбираться как из качественной партии, так и из
бракованной, то определены условные вероятности p ( v /  j ) .
Апостериорные вероятности находятся по формуле:
p( j ,  v ) p( v /  j )  p( j )
p( j /  v )  
p( v ) n

 p( v /  j )  p ( j ) ,
j 1
n n

де  p(
j 1
v /  j )  p ( j )   p( j ,  v )  p( v ) – вероятность каждого отдельного
j 1

результата эксперимента;
p ( v /  j ) – условные вероятности;
p ( j ) – априорные вероятности;
p ( j ,  v ) – общие вероятности.
18

Условные вероятности определяются на основе использования


биномиального закона распределения и условий проведения эксперимента:
n!
P ( n, k )  C nk p k q n  k ; q  1  p; k  0..n; C nk  ,
k!( n  k )!
де n – объем выборки.
Условные вероятности в зависимости от качества партии деталей для
выборки из двух деталей составят:
p(1 / 1 )  C 22 (0.96) 2 (0.04) 0  0.922; p ( 2 / 1 )  C 21 (0.96)1 (0.04)1  0.0768;
p ( 3 / 1 )  C 20 (0.96) 0 (0.04) 2  0.0016; p (1 /  2 )  C 22 (0.85) 2 (0.15) 0  0.7225;
p ( 2 /  2 )  0.255; p ( 3 /  2 )  0.0225 .
Таблица условных вероятностей p ( v /  j ) :
1 2 3
1 0,922 0,0768 0,0016
 2 0,7225 0,255 0,0225
Таблица общих вероятностей p ( j ,  v ) :
1 2 3
1 0,73760 0,06144 0,00128
 2 0,14450 0,05100 0,00450
Определяем вероятности каждого результата эксперимента:
p (1 )  0.73760  0.14450  0.8821 ; p ( 2 )  0.11244 ; p ( 3 )  0.00578 .
Таблица апостериорных вероятностей p ( j /  v ) :
1 2 3
1 0,83619 0,54642 0,22145
 2 0,16381 0,45358 0,77855
Окончательный результат зависит от результатов контрольной проверки. По
критерию Байеса общая формула для расчета затрат имеет вид:
n
B  ( xk , p j /  v )  M ( xk /  v )   f  (xk , j ) p( j /  v ), k  1..n; v  1..N ; N  3 .
j 1

Ситуация 1. Результат эксперимента показал, что два изделия


качественные:
M ( x1 / 1 )  80  0.83619  1000  0.16381  230.7 тыс. грн.
M ( x2 / 1 )  320  0.83619  700  0.16381  382.25 тыс. грн.
Минимум ожидаемых затрат достигается при реализации первой стратегии
– отправить продукцию необходимо первому покупателю.
Ситуация 2. Результат эксперимента показал, что одно изделие
качественное:
M ( x1 /  2 )  80  0.54642  1000  0.45358  497.29 тыс. грн.
M ( x2 /  2 )  492.46 тыс. грн.
Минимум ожидаемых затрат достигается при реализации второй стратегии
– отправить продукцию необходимо второму покупателю.
Ситуация 3. Результат эксперимента показал, что два изделия бракованные:
M ( x1 /  3 )  80  0.22145  1000  0.77855  796.266 тыс. грн.
M ( x2 /  3 )  615.85 тыс. грн.
19

Минимум ожидаемых затрат достигается при реализации второй


стратегии – отправить продукцию необходимо второму покупателю.
20

Лабораторная работа №4
Принятие многоцелевых решений

Цель: научиться осуществлять выбор альтернативы в условиях наличия


множества целей, критериев и нескольких информационных ситуаций,
применять полученные знания при создании программных продуктов.
Задание. Пусть субъект управления имеет Q(Q  0) ситуаций принятия
решений  X , , F 1 ,  X , , F 2 ,  X , , F Q  , которые отличаются функционалом
оценивания в заданной информационной ситуации I . Необходимо определить
оптимальное решение для всех Q ситуаций принятия решений одновременно.
Использование основных факторов  v, u , w принятия многоцелевых решений
позволяет получить ситуацию принятия решений с одним скалярным
функционалом оценивания для заданной информационной ситуации I и
критерия принятия решений.
Заданы множество решений органа управления – X   x1 ..x k  , множество
возможных ситуаций –    1 , ...,  q  , тип функционала оценивания и
информационная ситуация.
Определить в соответствии с исходными данными (таблица 1) оптимальное
решение. Функционалы оценивания строятся таким образом, чтобы не было
идентичного повторения матриц, используя генератор случайных чисел в
пределах заданного диапазона.
Использовать при определенном типе информационной ситуации:
1) I 1 – критерий Байеса (при q =2 p1  0.45 ; при q =3 p 2  0.25, p1  0.35 ;
при q =4 p 2  0.2, p1  0.25, p 3  0.3 );
2) I 4 – критерий Лапласа;
3) I 5 – критерий Вальда;

4) I 6 – критерий Гурвица (   0.6 ).


Приоритет задается студентом самостоятельно с помощью
соответствующих весовых коэффициентов.
Построить программный модуль для принятия многоцелевых решений,
предусмотреть возможность ввода исходных данных пользователем,
информативность алгоритма, вывод по результатам оценки альтернатив по
критерию.
21

Таблица 1 – Исходные данные


Элементы
Тип матриц
Метод Соотношение функционалов
№ Критерий свертки
ql k нормализации приоритетов f kq I
варианта
v u w оценивания

F (F )  mi ma
n x
относительной гарантированного
1 2 6 линейный + 0 15 1
нормализации результата
естественной доминирующего
2 3 7 показательный + 1 9 4
нормализации результата
сравнительной
3 4 8 линейный равномерности - 0 6 5
нормализации
суммарной
4 2 5 Севиджа показательный + 0 14 6
эффективности
относительной
5 2 9 линейный равномерности - 0 12 5
нормализации
естественной гарантированного
6 4 6 показательный - 0 16 6
нормализации результата
сравнительной доминирующего
7 4 7 линейный - 1 9 4
нормализации результата
8 3 7 Севиджа показательный равномерности + 1 10 1
относительной суммарной
9 3 5 линейный + 1 15 1
нормализации эффективности
естественной
10 2 6 показательный равномерности + 0 13 4
нормализации
сравнительной гарантированного
11 3 6 линейный - 1 11 5
нормализации результата
доминирующего
12 2 7 Севиджа показательный + 1 12 5
результата
относительной суммарной
13 3 8 линейный - 1 8 4
нормализации эффективности
естественной суммарной
14 4 9 показательный + 1 7 6
нормализации эффективности
сравнительной
15 4 9 линейный равномерности - 0 5 6
нормализации
гарантированного
16 4 8 Севиджа показательный + 0 6 6
результата
доминирующего
17 2 8 Севиджа линейный - 0 7 1
результата
относительной суммарной
18 3 7 показательный - 0 8 1
нормализации эффективности
естественной суммарной
19 3 7 линейный - 0 10 4
нормализации эффективности
сравнительной
20 2 6 показательный равномерности + 1 7 5
нормализации
гарантированного
21 2 6 Севиджа линейный + 1 8 6
результата
естественной доминирующего
22 4 5 показательный - 1 9 6
нормализации результата
сравнительной доминирующего
23 3 5 линейный - 1 10 4
нормализации результата
естественной суммарной
24 4 8 показательный + 1 10 5
нормализации эффективности
относительной
25 2 6 показательный равномерности + 0 4 5
нормализации

Краткие теоретические сведения


22

Под ситуацией многоцелевых решений понимают пару {x,F}, где


x={x1,..xm} множество решений субъектов управления, F={F1,F2,…,FQ}={fkq}Q,m ,
(q,k=1) вектор функционала оцениваний. Необходимо выбрать единственное
решение, которое будет оптимальным по критерию свертки с учетом влияния
факторов (υ,w,u).
υ – метод нормализации; u – соотношение приоритета; w – критерий
свертки.
Метод нормализации – это функция перехода F, как однозначного
отображения RQ в Rl , нормализация используется для перехода к сравнительным
шкалам в значениях функционала оценивания.
Метод приоритета – вектор оценок (u1,…uQ) на компонентах F={F1,F2,
…,FQ}.
Критерий свертки – принцип принятия оптимальных решений или
функция отображения RQ в Rl.
Таблица – Методы нормализации

Методы нормализации Математическая запись


1. Замена ингредиентов 1
( f kq ),
f kq
2.Относительная нормализация f kq / max f kq ; f kq / min f kq
k k

3. Сравнительная нормализация f kq  min f kq ; max f  f kq


q
k
k k

4. Естественная нормализация ( f kq  min f kq ) /(max f kq  min f kq )


k k k

5. Севиджа (max f kq  f kq ) /(max f kq  min f kq )


k k k
Таблица – Принцип построения приоритетов

Принципы Математическая запись


1. Линейный u q f kq

2. Показательный ( f kq )
uq

Таблица – Критерий свертки ( F  )


Критерий свертки Математическая запись
1. Гарантированный
min f
q
k
результат q

2. Доминирующий результат
max f
q
k
q
23

3. Равенство f k10  f k20  ...  f kQ0

4. Суммарная эффективность f
q
k
q

5. Равномерность f
q
k
q

Пример выполнения задания


Имеем l =2, X   x1 , ..., x5  ,   1 , 2 , 3  , F  F  , F1 и F2 заданы в виде
матриц:
 1  2  3   1  2  3 
   
 x1 2 4 1   x1 0 12 7 
x 4 3 4 x 4 0 8
F1   2  ; F2   2 .
 x3 6 7 5   x3 7 3 9 
 x 10 10 8  x 
 4   4 4 2 5
x   x 10 1 2 
 5 2 10 9   5 

Принять решение в поле пятой информационной ситуации. Субъект


управления задает приоритеты с такими весовыми коэффициентами: u1  0.35 ;
u2  0.65 . Нормализация природная, критерий принятия решений – критерий
Вальда, принцип учета приоритетов – показательный, свертка – гарантированный
результат.
Решение. Для природной нормализации для матрицы F1 имеем:
– для состояния среды 1 :
min f k11  2 , max f k11  10 , max f k11  min f k11  8 ;
k k k k

– для состояния среды  2 :


min f k12  3 , max f k12  10 , max f k12  min f k12  7 ;
k k k k

– для состояния среды  3 :


min f k13  1 , max f k13  9 , max f k13  min f k13  8 .
k k k k

Отсюда имеем
 1 2 3 
 
 x1 0 1/ 7 0 
x 2/8 0 3/8
F  2
1 .
 x3 4 / 8 4 / 7 4 / 8
x 1 1 7 / 8 
 4
x 0 1 1 
 5

Для природной нормализации для матрицы F2 имеем:


– для состояния среды 1 :
min f k21  0 , max f k21  10 , max f k21  min f k21  10 ;
k k k k

– для состояния среды  2 :


24

min f k22  0 , max f k22  12 , max f k22  min f k22  12 ;


k k k k

– для состояния среды  3 :


min f k23  2 , max f k23  9 , max f k23  min f k23  7 .
k k k k

Отсюда имеем
 1 2 3 
 
 x1 0 1 5/7
x 4 / 10 0 6/ 7
F2   2 .
 x3 7 / 10 3 / 12 1 
x 4 / 10 2 / 12 3 / 7 
 4
x 1 1 / 12 0 
 5

Используя показательный принцип учета приоритетов, получим:


~ ~
F 1  ( f k1 )u , F 2  ( f k2 )u ,
1 2

то есть
 1 2 3   1 2 3 
   
 x1 0 0 0   x1 0 1 0.8 
   0.9 
~1  x2 0.62 0.51 0.71 ~1  x2
 и F
0.55 0
.
F  
 x3 0.78 0.82 0.78   x3 0.79 0.41 1 
x 1 1 
0.95  x 0.55 0.31 0.58 
 4  4
x 0 1 1   x 1 0.2 0 
 5  5

Используя гарантированный критерий свертки, получим общий функционал


оценивания:
 1 2 3 
 
 x1 0 0.51 0 
x 0.55 0 0.71 
F  2 .
 x3 0.78 0.41 0.78 
x 0.55 0.31 0.58 
 4 
x 0 0.2 0 
 5

По критерию Вальда оптимальной является стратегия x*  x3 , так как


x *  max min  f kq   max 0; 0; 0.41; 0.31; 0  0.41 .
k j k
25

Лабораторная работа № 5
Принятие решений на основе метода динамического программирования

Цель: научиться принимать решения с использованием метода


динамического моделирования и применять полученные знания при создании
программных продуктов.
Задание. Найти вариант распределения капитальных вложений между
подразделениями на механизацию производственных процессов, при котором
будет обеспечено максимальное снижение трудоемкости обработки нагрузки.
Зависимость между суммой выделяемых капитальных вложений и снижением
трудоемкости обработки нагрузки на каждом подразделениями представлена в
таблице 1 (В – номер в списке группы; границы заданных интервалов
используются для заполнения матрицы случайным образом).
Построить программный модуль для принятия решений, предусмотреть
возможность ввода исходных данных пользователем, информативность
алгоритма, вывод по результатам.

Таблица 1 – Исходные данные


Объем капиталовложений, Экономия трудоемкости нагрузки в зависимости от объема
тыс. грн. капиталовложений, чел.-ч.
подразделение 1 подразделение 2 подразделение 3 подразделение 4
0 В В В В
В*10 [10; 20] [10; 20] [10; 20] [10; 20]
2*В*10 [30; 40] [30; 40] [30; 40] [30; 40]
3*В*10 [40; 50] [40; 50] [40; 50] [40; 50]
4*В*10 [60; 70] [60; 70] [60; 70] [60; 70]
5*В*10 [75; 90] [75; 90] [75; 90] [75; 90]

Пример выполнения задания


Заданы зависимости между суммой инвестиционных вложений, которые
выделяются на развитие предприятия, и получением прибыли (табл.1). Найти
вариант распределения капитальных вложений между подразделениями, при
котором будет обеспечено получение максимальной экономии.
Таблица – Исходные данные
Прибыль, тыс. грн.
Капитальные вложения, тыс. грн.
А Б В Г
0 0 0 0 0
200 12 14 13 18
400 33 39 38 40
600 40 46 45 44
800 60 64 60 65
1000 70 80 75 85
х
Решение. Планируемая система состоит из 4 подразделений. Начальная
точка S0 соответствует состоянию системы, когда имеются капитальные вложения
x=1 млн. грн., которые предстоит распределить между четырьмя
подразделениями. Конечная точка Sk соответствует состоянию системы, когда все
капитальные вложения израсходованы, т.е. x=0. Решение задачи разбивается на 4
26

этапа, каждый из которых соответствует одному из четырех подразделений.


Сумма капитальных вложений 0; 200; …; 1000 тыс. грн., следовательно, и
возможные остатки нераспределенных на начало каждого периода капитальных
вложений могут принимать значения соответственно 1000; …; 0 тыс. грн.
Управление на i –том этапе Хi сводится к нахождению такого варианта
распределения имеющейся на начало этапа суммы капиталовложений xik (k=0;200;
…;1000) междму i -м подразделение и последующим, при котором общая
экономия была бы максимальной. А в целом, задача сводится к нахождению пути
от S0 до Sk, по которому обеспечивается распределение капитальных вложений
между четырьмя подразделениями с получением максимальной экономии,
следовательно, применимы следующие функциональные уравнения:
F4 ( x)  max{( f 4 ( x4 )} F3 ( x) 
0 x  x4
, max{( f ( x )  F ( x  x )} ,
0  x3  x
3 3 4 3

F2 ( x)  max{( f 2 ( x2 )  F3 ( x  x 2 )} , F1 ( x)  max {( f1 ( x1 )  F2 ( x  x1 )} .
0 x2  x 0 x1  x

Решение начинается с последнего, четвертого этапа. Какая бы сума


капиталовложений ни оставалась на начало четвертого этапа, она должна быть
выделена четвертому предприятию. Каждой сумме капиталовложений
соответствует единственное значение дополнительной экономии. Далее переходят
к планированию на этапе 3. После окончания этапа 2, т.е. после выделения
средств первому и второму подразделению может остаться
x 3  0, 200, 400, 600, 800, 1000 тыс. грн. Необходимо из каждой возможной суммы
k

третьему подразделению выделить столько ( x3 ), чтобы суммарная эффективность


от использования этих средств на третьем этапе и средств ( x3k  x3 ) на четвертом
этапе была максимальной: F3 ( x3 )  0max {( f3 ( x3 )  F4 ( x3k  x3 )} .
k
x  x 3

Если на начало третьего этапа останется 200 тыс. грн., их можно передать
третьему подразделению x3 =200, тогда четвертому будет выделено 200–200=0,
суммарная эффективность составит 13+0=13. Если же третьему подразделению не
выделять из этой суммы ничего, т.е. x3 =0, и все деньги передать четвертому, то
x4  200  0  200 . Эффект составит 0+18=18:

F3 ( 200)  max 0  13  18,


 
x3opt  0 .
14  0 

Аналогично находятся условно оптимальные управления при других


значениях x3 :
0  38 
F3 ( 400)  max    40,
18  13
 
opt
x3  0
;
40  0 

0  45 


40  13
44  0

F3 (600)  max 18  38   56,


op t
x3  400
;
 

0  60 

;
18  45 
F3 (800)  
max  
  78, op t
x3  400
40  38
44  13 
 
65  0
 

27
0  7 5 
 

.
18  60 
F3 (1 0 0 0)  max  4 0  4 5
   8 5, op t
x3  600
 
4 4  3 8 
6 5  1 3 
 
8 5  0
 

Определим оптимальные размеры капиталовложений, выделяемых второму


подразделению. Найдем F2 ( x2 )  0max {( f 2 ( x2 )  F3 ( x2k  x2 )} для каждого из допустимых значений
k
x  x 2

x  0, 200, 400, 600, 800,1000 тыс. грн.:


k
2

F2 ( 200)  max 0  14   18,


 
x 2opt  0 ;
18  0 

0  39 
F2 ( 400)  max    40,
18  14 
40  0 
opt
x2  0
;
 

0  46 


 40 
56  0
14

F2 ( 600)  max 18  39   57 ,



o pt
x2  400
;
 

0  64 

;
 
18  46 
F2 (800)  max 
   79, op t
x2  400
40  39
56  14 
 
78  0
 

0  8 0 
18  6 4 

.
 
F2 (1 0 0 0)  max 4 0  46 
   9 5, o pt
x2  4 00
 
5 6  3 9 
7 8  1 4 
 
8 8  0
 

Переходим теперь к нахождению значений F1 ( x1 )  0max {( f1 ( x1 )  F2 ( x1k  x1 )} , используя


k
x x 1

результаты расчетов на предыдущем этапе. Так как по условию начальная сумма


капиталовложений 1000 тыс. грн., то производим вычисления лишь для одного
значения x  1000 тыс. грн.
0  7 0 
18  60 

.
 
F1 (1 00 0)  max 40  40 
   95, opt
x1  0
 
57  3 3 
7 9  1 2 
 

95  0 

Таким образом, максимальная экономия составляет 95 тыс.грн. При этом


капитальные вложения распределятся между предприятиями следующим образом:
предприятие Г – 200 тыс.грн; предприятие В – 400 тыс.грн.; предприятие Б– 400
тыс.грн; предприятие А – 0 тыс.грн.
28

САМОСТОЯТЕЛЬНАЯ РАБОТА

Цель: закрепить полученные теоретические сведения о методах выбора


оптимальных альтернатив из исходного множества и получить практические
навыки программирования математических алгоритмов принятия решений.

Задание. Разработать объектно-ориентированную модель системы


поддержки принятия решений (в общем виде). Учитывая основные требования к
СППР, разработать программный модуль, который включает:
- качественный интерфейс;
- справочный материал по базе данных и моделей;
- предусмотреть возможность создания базы данных и загрузки данных
из внешних источников;
- реализовать как минимум три метода принятия решений, учитывая
стохастическое моделирование (нечеткие экспертные системы).
При оформлении работы привести программный модуль, формы, описание,
сделать выводы о разработанном программном продукте и перспективах его
использования.
29

СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ

1. Теория выбора и принятия решений: Учебное пособие. – М.: Наука.


Главная редакция физико-матматической литературы, 1982. – 328 с.
2. Коршунов Ю.М.Математические основы кибернетики: Учеб. пособие
для вузов. – 3-е изд., перераб. и допол. – М.:Энергоатомиздат, 1987. – 496с.
3. Мушик Э., Мюллер П. Методы принятия технических решений: Пер. с
нем. – М.: Мир, 1990. – 208с., ил.
4. Вітлінський В.В., Наконечний С.І. Ризик у менеджменті. – К.: ТОВ
“Борисфен -М”, 1996. – 336 с.
5. Верченко П.І., Великоіваненко Г.І., Демчук Н.В. та ін. Ризикологія:
Навч.-метод. посіб. для самост. вивч. дисц. – К.: КНЕУ, 2006. – 176 с.
6. Дубров А.М., Лагоша Б.А., Хрусталев Е.Ю. Моделирование рисковых
ситуаций в экономике и бизнесе: Учеб. пособие/ Под ред. Б.А. Лагоши. – М.:
Финансы и статистика, 1999. – 176с.
7. М. К. Гавурин, Лекции по методам вычислений М. «Наука»,1971. – 247 с.
8. Косарев В. И., 12 лекций по вычислительной математике (вводный курс):
Учеб. Пособие для вузов. – М. : Изд-во МФТИ, 2000.- 278 с.
9. Іванов В. В., Методы вычислений на ЭВМ, Киев, Наукова думка 1986. –
583 с.
10.Бахвалов Н. С., Лапин А. В., Чижонков Е. В. Численне методы в задачах
и упражнениях. – М.: Высшая школа, 2000. – 348 с.
11.С. В. Поршнев, И. В. Беленкова , Численные методы на базе MathCad.С.-
П. ,2005. – 450 с.